更改

</math>

</math>

|{{EquationRef|1}}}}

|{{EquationRef|1}}}}

[[文件:Coupling anim.gif|缩略图|332x332像素|上图示意仿射耦合层的前向与逆向过程：输入被分为两部分，一部分保持不变并作为条件输入 <nowiki><math>\mathbf{x}</nowiki>''{1:d}<nowiki></math></nowiki>，另一部分 <nowiki><math>\mathbf{x}</nowiki>''{d+1:D}<nowiki></math></nowiki> 由神经网络生成的缩放 <nowiki><math>\mathbf{s}</math></nowiki> 与平移 <nowiki><math>\mathbf{t}</math></nowiki> 参数进行变换；逆向时只需用同一组参数执行减法和除法即可恢复原始输入。]]

[[文件:Coupling anim.gif|缩略图|332x332像素|仿射耦合层的前向与逆向过程示意]]

这里 <math>\mathbf{s}</math>（scale，缩放）和 <math>\mathbf{t}</math>（translation，平移）是两个深度神经网络（通常是 CNN）。<math>\odot</math> 为逐元素乘积。由于 <math>\mathbf{s}</math> 和 <math>\mathbf{t}</math> 的输入只来自不变的那一半，输出只作用在可变的那一半，整个变换的雅可比矩阵是下三角块结构，行列式即为对角线元素的乘积——计算复杂度从 <math>O(D^3)</math> 降到 <math>O(D)</math>。此外，逆变换为：

这里 <math>\mathbf{s}</math>（scale，缩放）和 <math>\mathbf{t}</math>（translation，平移）是两个深度神经网络（通常是 CNN）。<math>\odot</math> 为逐元素乘积。由于 <math>\mathbf{s}</math> 和 <math>\mathbf{t}</math> 的输入只来自不变的那一半，输出只作用在可变的那一半，整个变换的雅可比矩阵是下三角块结构，行列式即为对角线元素的乘积——计算复杂度从 <math>O(D^3)</math> 降到 <math>O(D)</math>。此外，逆变换为：

无需对 <math>\mathbf{s}</math> 或 <math>\mathbf{t}</math> 求逆，只需按逆变换公式进行减法和除法即可。因此'''编码（求密度）和解码（采样）同样高效'''。

无需对 <math>\mathbf{s}</math> 或 <math>\mathbf{t}</math> 求逆，只需按逆变换公式进行减法和除法即可。因此'''编码（求密度）和解码（采样）同样高效'''。

 

=== 掩码卷积的两种分区模式 ===

=== 掩码卷积的两种分区模式 ===